基于專家系統(tǒng)的電子商務(wù)個性化推薦技術(shù)

羅 亞

（貴州財經(jīng)大學(xué)，貴陽 550004）

0 引言

專家系統(tǒng)與電子商務(wù)個性化推薦系統(tǒng)之間存在相似之處，從整體上都包括輸入模塊、數(shù)據(jù)處理模塊和輸出模塊，利用專家系統(tǒng)的專家診斷功能可以識別客戶、分析客戶需求，并為客戶提供推薦結(jié)果，以此解決復(fù)雜的電子商務(wù)個性化推薦問題。

1 電子商務(wù)個性化推薦系統(tǒng)

個性化推薦系統(tǒng)是指利用電子商務(wù)網(wǎng)站向客戶提供商品信息和建議，幫助用戶決定該購買什么產(chǎn)品，模擬銷售人員幫助用戶完成購買過程。個性化推薦系統(tǒng)主要分為三個模塊：用戶輸入模塊、推薦方法模塊和輸出功能模塊。

關(guān)于個性化推薦系統(tǒng)的研究主要包括網(wǎng)站系統(tǒng)設(shè)計、推薦算法設(shè)計和網(wǎng)絡(luò)購物流程設(shè)計。在這些研究中，主要技術(shù)是協(xié)同推薦技術(shù)、關(guān)聯(lián)推薦技術(shù)和數(shù)據(jù)挖掘技術(shù)，應(yīng)用專家系統(tǒng)推薦技術(shù)的較少。

2 專家診斷的個性化推薦系統(tǒng)設(shè)計

科學(xué)技術(shù)的發(fā)展使得專業(yè)化加強，人們的吃穿住用行都有專家進行研究，將專家系統(tǒng)引入到電子商務(wù)個性化推薦中，有利于幫助消費者進行科學(xué)合理的消費決策。

當引入專家時，消費者購物過程為：

1）消費者表述自己需求特征；

2）專家分析消費者需求特征；

3）專家判斷哪些商品可以滿足消費者需求；

4專家推薦最適合的商品。

在這套系統(tǒng)中需要靜態(tài)數(shù)據(jù)庫（規(guī)則、信息）和動態(tài)數(shù)據(jù)庫（用戶數(shù)據(jù)庫、商品數(shù)據(jù)庫），需要

咨詢子系統(tǒng)、規(guī)則子系統(tǒng)和結(jié)果子系統(tǒng)，設(shè)本文中設(shè)計的系統(tǒng)名稱為MYG，則MYG系統(tǒng)結(jié)構(gòu)圖如圖1所示。

圖1 MYG 電子商務(wù)個性化推薦系統(tǒng)結(jié)構(gòu)

2.1 咨詢子系統(tǒng)

在咨詢過程中，MYG根據(jù)消費者的一般情況，將用戶信息歸類到相應(yīng)的上下文中，所得到的結(jié)果以分層樹的形式組織數(shù)據(jù)結(jié)構(gòu)，如圖2所示。

每組上下文類型都由一組購物參數(shù)描述，例如描述Consumer上下文的參數(shù)稱為CSM，其中包 括 Name、Age、Sex、Salary等， 描 述 Goods上下文的參數(shù)稱為GSM，包括Brand、Number、Size、Weight、Price等。追蹤參數(shù)獲得參數(shù)的值，每一個值都有一個從-1到1的可信度，應(yīng)用產(chǎn)生式規(guī)則把專家知識表示成IF……THEN 語句。

示例規(guī)則1： IF PREMISE ：[$AND (CONSUMER IS FEMALE)

(NOT BOUGHT EVER)

(CONSUMER LIKES RED)

(CONSUMER LIKES SWEET)(CONSUMER LIKES CHEAP)]

THEN ACTION:( SUGGEST GOODS1 TALLY 0.4)

2.2 靜態(tài)數(shù)據(jù)庫

圖2 MYG數(shù)據(jù)結(jié)構(gòu)圖示例

MYG系統(tǒng)的靜態(tài)數(shù)據(jù)庫用來存放所有產(chǎn)生式規(guī)則和所有咨詢需要的信息，由若干參數(shù)來描述，這個數(shù)據(jù)庫其實就是專家系統(tǒng)的知識庫。

1）規(guī)則特性

每個規(guī)則都包括四個特性：

PREMISE 規(guī)則的前提部分；

ACTION 規(guī)則的操作部分；

CATEGORY 規(guī)則按上下文分類，每條規(guī)則只能用于某幾個上下文，以便于調(diào)用；

SELFREF 規(guī)則是否自我引用，如是則為1，否則為0。

2）參數(shù)

對于每個參數(shù)，各存一組屬性，以便咨詢和解釋程序調(diào)用。

MEMBEROF 相應(yīng)參數(shù)組名稱

VALUTYPE 參數(shù)類型

EXPECT 參數(shù)取值范圍

3）函數(shù)

函數(shù)分為三部分，用于規(guī)則前提部分、知識表示和用于操作部分。在前提部分，應(yīng)用許多簡單函數(shù)求關(guān)于消費者的值，建立函數(shù)KNOWN（）、SAME（）、THOUGHTOUT（）等，回答真假，判斷參數(shù)是否已知。在知識表中，利用專門函數(shù)建立可被規(guī)則前提利用的數(shù)據(jù)結(jié)構(gòu)，建立GRID（）函數(shù)，從動態(tài)數(shù)據(jù)庫檢索可信度最高的值。操作函數(shù)根據(jù)前提規(guī)則計算值進行操作，建立函數(shù)CONCLUDE( )，把用戶數(shù)據(jù)三元組連同前提可信度存入動態(tài)數(shù)據(jù)庫，再計算此操作的可信度。

4）上下文特性

上下文特性表示數(shù)據(jù)結(jié)構(gòu)之間的關(guān)系，包括這些特性：

ASSOCWITH 父輩節(jié)點的上下文類型。每一種上下文只可能是另一種類型上下文的直接后代。

TYPE 某種類型上下文詞干

PROPTYPE 參數(shù)分類

SUBJECT 用于某類上下文規(guī)則的分類表

MAINPROPS 跟蹤某種類型上下文的參數(shù)表

2.3 動態(tài)數(shù)據(jù)庫

每次咨詢，動態(tài)數(shù)據(jù)庫都要重新建立一次。動態(tài)數(shù)據(jù)庫都以對象-屬性-值的三元組形式儲存，其中，值包括三項內(nèi)容， 值、取此值的可信度、參數(shù)被跟蹤次數(shù)。動態(tài)數(shù)據(jù)庫包括消費者即用戶數(shù)據(jù)，動態(tài)數(shù)據(jù)即每次咨詢記錄，商品數(shù)據(jù)以及上下文特性。

1）用戶數(shù)據(jù)庫

根據(jù)消費者個人統(tǒng)計特征， 用戶屬性包括性別、年齡、行業(yè)、收入、偏好、購物經(jīng)歷等信息，建立表1。

表1 用戶數(shù)據(jù)庫表

2）商品數(shù)據(jù)庫

消費者在購物過程中最關(guān)注的商品信息包括商品名稱、品牌、價格、尺寸、重量、功能、材料、生產(chǎn)日期、保質(zhì)期、售后服務(wù)、產(chǎn)地等，建立表2。

表2 商品數(shù)據(jù)庫表

3）隨機數(shù)據(jù)庫

隨機數(shù)據(jù)庫記錄在咨詢過程中產(chǎn)生的參數(shù)及其得到方式，得到方式包括推理獲得、用戶回答兩種，在回答問題時，要記錄回答問題的次序，以進行推理和解釋推理。

推理規(guī)則1：單證據(jù)模糊推理

消費者在咨詢時的提問和操作都有可信度，根據(jù)主管概率理論，專家的先驗概率P(h)反映專家在不出現(xiàn)證據(jù)e的條件下相信假設(shè)h 的程度為P(h|0)，即1-P(h)可認為是在此條件下專家不相信該假設(shè)成立的程度。如果P(h|e)大于P(h)，說明由于證據(jù)e的出現(xiàn)使專家相信h成立的可能性增加了，或者說不相信h成立的可能性減少了。

設(shè)MB為可信度增加量，MD為可信度減少量，則

把MB和MD合為一個，定義可信度CF為：

當有幾種可能的情況時，為了方便地比較它們的證據(jù)的強度，需要可信度把相信和不相信組合成一個數(shù)。由于MB和MD的值在0～1之間，所以CF的值在-1～1之間。如果CF大于零，則系統(tǒng)相信成立，反之，則不成立。

推理規(guī)則2：多證據(jù)模糊推理

如果顧客在咨詢時，同時有兩個或以上的證據(jù)，則推理公式為：

如果肯定地不相信h,則對h 的相信程度為零；否則，給定兩個觀察時對h 的相信程度可以是只有一個證據(jù)時的相信程度加上由于第二個證據(jù)所增加的相信程度。為計算此增加的相信程度首先取可信度與只有第一個證據(jù)時的相信程度之差，這個差是第二個觀察所能增加的相信程度的最大值。所以要按第二個證據(jù)對h的相信程度進行調(diào)節(jié)。這個公式滿足交換律，即計算結(jié)果與證據(jù)順序無關(guān)。

2.4 結(jié)果子系統(tǒng)

MYG系統(tǒng)采用逆向推理過程。在咨詢開始時，例示結(jié)構(gòu)樹中的根節(jié)點，先賦予上下文名稱，把這個上下文加入到結(jié)構(gòu)樹中，跟蹤這類上下文數(shù)據(jù)表中的參數(shù)，如果所有參數(shù)值都已獲得，則咨詢過程結(jié)束。

示例規(guī)則2 IF 30歲男性顧客欲購買筆記本，年收入3萬左右，公務(wù)員

THEN 尋找價位在3000元左右，品質(zhì)較好，配置適中筆記本

ELSE 推薦上網(wǎng)本

在這個過程中，數(shù)據(jù)結(jié)構(gòu)可能為：

為了盡快找到可推薦商品，采用啟發(fā)式搜索算法，尋找由推理規(guī)則得到的可信度最高節(jié)點。設(shè)OPEN為數(shù)據(jù)結(jié)構(gòu)表，s、n、m為節(jié)點，i、j、k為節(jié)點序號，函數(shù) F( )=CF( )、G( )=MB( )、 H()=MD( )為可信度函數(shù)，F(xiàn)()=G( )-H( )，則：

1）OPEN=(s) F(s)=G(s)-H(s)

2）Loop: IF OPEN=( ) THEN EXIT(FAIL)

3）N=FIRST(OPEN)

4）IF GOAL(n) THEN EXIT(SUCCESS)

5）REMOVE(n,OPEN) ADD(n,CLOSED)

6）EXPAND(n) 到 {mi} 計算 F(n, mi) =g(n, mi)-h(mi)

7）ADD(mj,OPEN)

8）IF f(n,mk)>f(mk) THEN f(mk)=f(n mk,)

9）IF f(n, mi)>f(mi) THEN f(mi)=f(n, mi)

10）OPEN中節(jié)點按可信度從大到小排列

GO Loop

在推薦顯示結(jié)果中，按 TOP… N序列模式排列， 將可信度最高的商品排列在最前，依次次之,讓消費者自行選擇。

3 結(jié)束語

專家系統(tǒng)技術(shù)引入到電子商務(wù)個性化推薦技術(shù)中，采用啟發(fā)式搜索提高推薦速率，提高了商品成交量。由于專家系統(tǒng)需要應(yīng)用人工智能技術(shù)，可能包含不同于本文的模塊，各模塊的實現(xiàn)方法也存在多樣性，在這些方面可以開展進一步研究。

[1] 趙永梅, 基于用戶瀏覽路徑的協(xié)同過濾推薦技術(shù)研究[D], 西安建筑科技大學(xué), 2008. 6.

[2] J.Ben Schafer,Joseph Konstan, John Riedl,Recommender Systems in E-Commerce, In ACM.

[3] 韓慧俊, 電子商務(wù)個性化推薦系統(tǒng)的研究[D]. 上海交通大學(xué), 2007. 1.